כך אמר ד"ר פרקש נאריין, מנכ״ל Real Intent בפאנל במסגרת פורום הבכירים של כנס ChipEx2025
“בלי סיליקון, AI היה נשאר מושג תיאורטי” פרקש נאריין, מנכ״ל Real Intent בפאנל בהנחיית מנכ"ל ASG שלמה גרדמן, השתתפו דב מורן ,מנהל קרן גרוב ונצ'רס, ד"ר פרקש נאריין, מנכ"ל חברת Real Intent ואורי תדמור, נשיא KLA ישראל וסגן נשיא KLA העולמית. במסגרת הפאנל המיוחד על בינה מלאכותית (AI) בכנס ChipEx2025, נשאלו שלושת בכירי תעשיית השבבים סדרת שאלות מפתח על ההשפעות ההדדיות בין AI לסיליקון, האתגרים בהטמעת טכנולוגיות חדשות, והעתיד של הענף כולו.
מה משפיע יותר – AI המוטמע בשבבים או השבבים המאפשרים AI?
דב מורן: “אי־אפשר להפריד בין שני הגורמים הללו, שכן הם מהווים מערכת אקולוגית משולבת. מצד אחד, ללא שבבים חזקים המסוגלים לבצע חישובים בקצב גבוה, אין יישום מעשי של אלגוריתמים מתקדמים שיוגדרו כ-AI. מצד שני, אלגוריתמים חכמים שמשתמשים בלמידת מכונה ובאינטליגנציה מלאכותית משפיעים עמוקות על תכנון חומרה, אופטימיזציה של תהליכים ופיתוח חומרים וחלקיקים חדשים. לכן, כל שינוי בתכנון השבב—בין אם מדובר בארכיטקטורת מעבד או במימוש הנדסי של רכיבי זיכרון—מניע שיפורים ביכולות ה-AI. במקביל, כל פיתוח אלגוריתמי חדש דורש התאמות בתשתית הסיליקונית, כך שכל אחד מעצבי התחום חייב לפעול בשיתוף פעולה הדוק עם חוקרי האלגוריתמים כדי למקסם את פוטנציאל החדשנות.”
ד"ר נאריין: “בימים אלה הסיליקון הוא ‘הדלק’ שמפעיל את מנועי ה-AI: ללא פלטפורמות חומרה המסוגלות לבצע עשרות טריליוני חישובים בשנייה, רוב אלגוריתמי הלמידה העמוקה היו נשארים בגדר ניסוי מדעי. בטווח הקצר, אין AI מעשי ללא שבבים מתקדמים, אך לטווח הארוך צפוי מצב שבו יוכלו אלגוריתמים חכמים להשפיע גם על תהליכי פיתוח וייצור השבבים עצמם—בעזרת ניתוח נתוני ייצור בזמן אמת, זיהוי דפוסים בלתי־אינטואיטיביים ואופטימיזציה דינמית של פרמטרים פיזיקליים. עם זאת, ברגע זה, אנחנו בעיצומו של מחזור שבו הסיליקון מוביל את ה-AI, אך השפעת ה-AI על עולם החומרה תתעצם ככל שנצבור יותר נתוני ייצור ונפתח כלים אנליטיים חזקים.”
אורי תדמור : “ב-KLA אנו עדים להשפעה הדדית ומתמשכת: מצד אחד, לקוחותינו מפתחים שבבים הכוללים HBM, אריזה תלת־מימדית ומבנים מורכבים שדורשים פתרונות yield ו-defectivity מתקדמים. מצד שני, אנו משלבים אלגוריתמים של למידת מכונה בכלי המטרולוגיה והבקרה שלנו כדי לייעל זיהוי פגמים ולחזות כשלי ייצור עוד בטרם קרו. התוצאה היא כי ה-AI שכבר מוטמע בתהליך הייצור מוביל לרמת דיוק ואמינות שנדרשים להמשך פיתוח שבבים מתקדמים, ואילו הצורך בשבבים עם ביצועים גבוהים ומאפייני חישוב מורכבים מדרבן אותנו לשכלל את אלגוריתמי ה-AI שלנו בכלי הניטור.”
אם הייתה לכם “כדור בדולח” ל-AI, כיצד הייתם משתמשים בו?
דב מורן: “בתור משקיע הון סיכון העוסק בטכנולוגיות עמוקות (deep tech), הכדור בדולח שלי היה משמש לחיזוי מגמות שוק חצי־מוליכים בטווח של חמש עד עשר שנים. הייתי שואל את הכדור מתי תגיע הערכת השווי של חברות דוגמת NVIDIA או TSMC לרמות קיצון, אילו טכנולוגיות יצרו מהפכות (כגון מעבר ל-2 ננומטר או שילוב neuromorphic), ואילו שווקים גאוגרפיים יובילו השקעות משמעותיות. הכוח הגדול של ה-VC הוא לראות סטארט-אפים בשלב מוקדם, ולוודא שההשקעה תממש את הפוטנציאל; הכדור בדולח היה מסייע לי לאמוד מראש אילו מיזמים יניבו תשואה גבוהה ואילו יתקעו את ענף ה-AI במבוי סתום.”
ד"ר נאריין: "אם הייתי מקבל מידע אנליטי מדויק מתחום ה-AI, הייתי מנצל אותו כדי לייעל את תהליכי ה-EDA שאנו מספקים ללקוחותינו: אילו תרחישי בדיקה יניבו פחות תקלות בשלב sign-off, באיזו תצורת RTL בשימוש חישובים מקבילים יוביל לביצועים מיטביים, ואיך להפחית את שטח הסיליקון הנדרש למעגל. בין אם מדובר בחיזוי זמן tape-out או באופטימיזציה של אוטומציה אנלוגית מבוססת למידת מכונה, היכולת להניח את הכדור לפני תחילת התהליך תעניק לנו יתרון תחרותי חד–משמעי.”
אורי תדמור: “בכדור הבדולח שלי הייתי מבקש תחזית על התפתחות תהליכי הייצור והבדיקות בעידן ה-3 ננומטר ומטה: באיזו מהירות יטמיעו foundries תהליכים חדשים, באילו תבניות אריזה אקטיביות יפחיתו defectivity בצורה דרמטית, ומה תהיה השילוב האופטימלי בין AI בענן לבין AI המוטמע בכלי הבדיקה. תשובות אלו יאיצו תכנון פיתוח כלים מותאמי AI, ימקמו את KLA בחוד החנית של טכנולוגיית ה-yield control ויספקו ללקוחותינו יכולות תובנה ובקרה לפני שיושקו הדורות הבאים של שבבים.”
אילו רעיונות פורצי דרך ראיתם אצל הסטארט-אפים וכיצד הם מתכננים לנצל AI?
דב מורן: “הרעיון שהכי תפס אותי הוא שילוב AI בפתרונות דיאגנוסטיקה רפואית: חברות שמשתמשות ברשתות עצביות לזהוי מוקדם של מחלות נדירות מתבססות על אוספי נתוני רנטגן, MRI וביוכימיה שמגיעים ממספר בתי חולים עולמיים, ומסוגלות לבצע אבחנה מדויקת בתוך שניות. במקום שמתלמיד רפואה יראה 50–100 חולים ביום, אלגוריתם טרained ב-AI רואה עשרות אלפי מקרים ומשפר את החלטות הרופאים. בנוסף, בחלק מהסטארט-אפים נבחנו פלטפורמות לזרז פיתוח תרופות על ידי חיקוי מולקולרי בינה מלאכותית, כך שתהליך אמריקה מסתיים תוך שנתיים במקום עשור, עם חסכון של מיליארדי דולרים.”
ד"ר נאריין: “בתחום התכנון עצמו, נחשפתי לחברות המפתחות מסלולי אוטומציה אנלוגית מבוססת למידת מכונה, שנותנות מהנדסים אפשרות להגדיר בפרמטרים גבוהי־רמה את מגבלות המעגל, ולקבל בעזרת AI הצעות לתכנון מבנים שמפחיתים רעש חשמלי ושיפור SNR ללא עריכת הסכמה ידנית של תאי ה-layout. הפתרונות הללו משתמשים בכמות אדירה של נתוני ניסוי, ולמידה על־ידי העברת לוחות סיליקון אמיתיים, ופותחים פתח למהפכה שתפחית באופן משמעותי את הזמן הדרוש לאפיון מעגלים אנלוגיים.”
אורי תדמור: “בחברות סטארט-אפ שהצגתי כלי ל-ML-driven defect detection בפאבים, ראינו גידול של למעלה מ-30% בזיהוי מוקדם של פגמים עוד בטרם הם גורמים לכשל. כמו כן, חברות שפיתחו AI-driven metrology adaptive sampling מצליחות להקטין את כמות ההדגימות הפיזיות על ופר על כל wafer ב-40%, תוך שמירה ואף שיפור של ה-yield. הפוטנציאל ליישם אלגוריתם חיזוי פגמים בזמן אמת בעזרת מצלמות תעשייתיות ושבבי עיבוד תמונה מוטמעים בכלי ה-inspection, מציג מהפכה פרוצדורלית ב-fab automation.”
פרקש, מהם האתגרים בהטמעת AI ב-IPs וב-design flow? האם בעתיד AI יעצב שבבים טוב יותר מהמהנדס האנושי?
“האתגר המרכזי הוא ניהול הסיכונים והאחריות: כדי לאמן מודל AI אמין דרושות כמויות עצומות של נתוני RTL והתנהגות post-layout, שהלקוחות לרוב אינם מוכנים לחשוף לספקים חיצוניים. ללא גישה ל-data sets רחבים, המודלים עלולים להציג תוצאות חריגות ולגרום לשגיאות בזיהוי בעיות timing או functional coverage, אך האחריות לכלי ולתקלות שנובעות ממנו נשארת על כתפי הספק. יתרה מזו, תהליך העדכון וה־re-training של המודל צריך להיות מתועד ובקרת איכות עליו קפדנית, כדי למנוע “drift” של הדיוק לאורך זמן. מסיבה זו פיתוח AI אמיתי בעולמות EDA מחייב תשתית שיתוף נתונים סגורה, אבטחת מידע ברמה גבוהה ומתודולוגיות אימות ו־rollback שיקחו בחשבון כישלונות אפשריים.”
“במחקר שהוזכר, העמידו בפני מודלים גנרטבייים הצעות לתכנון מעגל אנלוגי למול 5G שהיו בלתי־אינטואיטיביות ולרוב קרוּעש־המיתרי: מבנים דחוסים במיוחד עם יחסי W/L ייחודיים שנבדקו במעבדה והציגו ביצועים שעקפו תכנונים מסורתיים. עם זאת, מתוך עשרות הצעות רק חלק קטן עבד בפועל, ולעיתים כשל בצורה לא צפויה. זה מדגיש את הצורך ב”האדם שבמעגל” שיאמת, ידרג וישפר את המודל. בטווח של שנתיים–חמש, נראה AI כמשלים כוח עבודה אנושי, אך לא מחליף מהנדסים; הוא יגביר את Skew של ביצועים, יסייע באופטימיזציה מורכבת ויאפשר רעיונות חדשים, אך יידרש תהליך רגולציית ובקרה קפדן כדי לשלב תכנון “לא אינטואיטיבי” תוך שמירה על רמת אמינות וטעות נמוכה מאוד.”
אורי תדמור, כיצד AI ישפר את yield ו-defectivity בכלים שלכם? מה עוד ניתן לשפר בתהליכי ה-AI שלכם מעבר למטרולוגיה ובדיקות?
“ב-KLA אנו ממשיכים להטמיע אלגוריתמים של למידת מכונה במטרולוגיה ובבקרת תהליכים כבר למעלה מעשור. בשנים האחרונות, הוספנו מודולים מתקדמים ל-AI-driven pattern recognition, המסוגלים לזהות דפוסים עדינים של פגמים בתמונות הסורקות של wafers במהירות של מאות אלפי נקודות בדיקה לשנייה, ולא רק לדווח על קיומם אלא גם לדרג אותם לפי חומרת ההשפעה על הגרעין. התוצאה ב-fab היא הפחתה של עד 20% בכמות wafer scrapped ובשיפור של 15% ב-First Pass Yield. בנוסף, אנו משתמשים בטכניקות reinforcement learning כדי לכוונן פרמטרים במכשירים בזמן אמת, כך שהמערכת “לומדת” את האופן האופטימלי להפעלת הלייזר או המיקרוסקופ כדי לצמצם רעש ולשפר רזולוציה. היתרון בשילוב AI הוא היכולת להתעדכן כל הזמן בנתונים ריאל-טיים מהייצור ולאפשר התראות מוקדמות לצוות ה-fab לפני שהבעיה תתפתח לכשל יקר.”
“אנו מתמקדים פיתוח קווי אריזה רובוטיים אוטונומיים, שישמשו כ’מפעל של אחד’—קו ייצור גמיש המאפשר הרכבה של חבילות chiplets מותאמות אישית בלחיצת כפתור, בדומה לאוטומציה במפעלי foundry מודרניים. במקביל, הקמנו Knowledge Hub פנימי, שמאגד תיעוד, מדריכים ודאטה סטים מבוססי AI, כדי להכשיר צוותים בשטח ולהעניק להם תמיכה בזמן אמת באמצעות chatbots חכמים המובנים במכשירים. בנוסף, אנו מיישמים AI־driven Supply Chain Analytics לניהול מיטבי של מלאי חומרים קריטיים (למשל rare earth metals) ולחיזוי זמני אספקה, מה שמאפשר לנו לצמצם עומסי הזמנות ולאזן בין יעילות לעלויות.”
דב מורן, האם סטארט-אפים נפגעים מחוסר יכולת להפעיל AI ברמה של תאגידי הענק?
“להיפך: הפרדיגמה החדשה מאפשרת לסטארט-אפים קטנים לנצל פלטפורמות AI ציבוריות בענן ולהתחרות בשוק גלובלי, גם בלי תקציבי ענק. בזכות APIs לניהול מחזור חיי data pipelines, מודלים מוכנים לתפעול ו־AutoML, חברה שמורכבת ממפתח בודד או צוות מצומצם יכולה לחקור תרחישים מורכבים, לייצר אב-טיפוס במהירות ולהגיע למספרים גבוהים של inference calls ביום, בלי להשקיע במרכז נתונים פרטי. כך נוצרת “מערכת הרגעה” לטכנולוגיות עמוקות: במקום להשקיע מיליוני דולרים ב-GPU farms, סטארט-אפ יכול להתחיל עם Tier קטן בענן ולהגדיל משאבים ככל שהמודל מוכח. בנוסף, החברות הקטנות גמישות יותר באימוץ טכנולוגיות חדשות, בעוד תאגידים בכורים להגן על השקעות קיימות ומתקשים לבצע פריצות דרך מהירות.”
האם אתם אופטימיים לגבי עידן הבינה המלאכותית?
דב מורן: “בהחלט. בהשוואה למהפכות טכנולוגיות קודמות—המצאת המחשב, הרשת, הענן—AI מביא קפיצה קוונטית ביכולת עיבוד, ניתוח נתונים וקבלת החלטות אוטונומטיות. בדומה לאופן שבו חוקקו תקנות תעבורה והטמיעו טכנולוגיות בטיחות בכבישים כדי להפחית תאונות, אני צופה שממשלות ואיגודים מקצועיים יגבשו מסגרות רגולטוריות ואתיות שיבטיחו שימוש אחראי ב-AI. לאחר מכן, נוכל לראות צמצום דרמטי במקרי כשל קריטיים (כגון תאונות דרכים) ובאקלים החברתי-כלכלי. כמי שהשקיע וחי בלב תעשיית deep tech בישראל ובארה״ב, אני משוכנע שעם כלים רגולטוריים מתאימים, AI יוביל לשגשוג כלכלי, לדחיית מחלות ולפריצות דרך בתחומי אנרגיה וסביבה.”
ד"ר נאריין : “כניסיוננו בתחום ה-EDA, אני רואה ב-AI מנוע לייעול תהליכי בדיקה ואימות המבוססים על חזרות רבות, אך התלות בנתונים מדויקים ומאומתים יוצרת דילמות אחראיות. מצד אחד, זה תחום מלא הזדמנויות: פתרונות לזיהוי סביר של כשלים, אופטימיזציה אוטומטית של timing closure והמלצות תכנוניות בזמן אמת. מצד שני, קיים חשש ש-AI יאמן את עצמו על פלטפורמות של AI, דבר שייגרום ל’drift’ של איכות התוצאות ולטשטוש גבולות האחריות. כדי לשמר את האופטימיות, נחוץ פיתוח מסגרות וניהול מחמירים של חיי המודל (model lifecycle), כולל audit trails ו-mechanisms ל־rollback במקרה של תקלות בלתי צפויות.”
אורי תדמור : “בהחלט. היישומים כבר מחוללים שינויים מהותיים בכל שלב של ייצור שבבים, החל ממטרולוגיה, דרך בקרה על תהליכים ועד בניית מאגרי ידע לתפעול ואחזקה. עם כל גל אימון חדש, המודלים שלנו לומדים מדאטה ריאלי מהפאבים וממדגמי הייצור, מה שמאפשר לייעל קטן raw data ולהפיק insights שמייקרים את ערך המידע. אני מאמינה שבשנים הקרובות נראה פריצות דרך נוספות באריזה תלת־מימד, בניהול מלאי חכם ומתודולוגיות דיאגנוסטיקה מהירה יותר, שיביאו לעלייה משמעותית ב-yield, לירידה בעלות הייצור ולהגדלת קצב ההגעה לשוק.”
פרקש, אילו חששות יש לך לגבי AI בעתיד?
“אחד החששות המרכזיים הוא שבשנים הבאות AI יתאמן לא רק על תכנים אנושיים, אלא גם על תוכן שיוצר על־ידי מערכות AI אחרות, מה שעלול להוביל ל״boulevard of mirrors״ שבו המודל מאבד יכולת אבחנה בין אמת לשגיאה. בנוסף, ככל שהמודלים יהפכו מורכבים יותר, יגדל קושי להסביר את ההחלטות שלהן (explainability), מה שיכול להוביל לביטחון יתר או חוסר אמון כאשר המערכת מבצעת החלטה קריטית שאין לגביה תימוכין אנושיים. כדי להתמודד עם זאת, חשוב להמשיך בפיתוח שיטות בקרה, audit ו־ethics-by-design שיעצימו את האמון במערכות ה-AI ויבטיחו שהן נשענות על מקורות מידע אמינים, מגוונים ומבוקרים.”
